写在前面的话

隐马尔可夫模型（HMM）的三个基本问题，我查阅相关资料有一些自己的理解，如有错误请多指正~

参考资料：
如何用简单易懂的例子解释隐马尔可夫模型？
隐马尔可夫模型的三个基本问题（读书笔记）

隐马尔可夫模型（HMM）

大家应该都知道股票预测，如果我们只从股票的走势去预测显然不靠谱，所以需要结合社会上发生的事情来看，才能做出比较好的预测。

这个例子有几个点，首先是股票走势，就是HMM的可见状态序列。再者就是社会上发生的事情，就是HMM的隐含状态序列。更一般的说就是，我们往往看到的现象都是事物的表象，决定事物的走向往往是事物的本质，这个本质我们是很难去描述的。

如何用简单易懂的例子解释隐马尔可夫模型？这里面有骰子的例子，会更好理解一些，下图取自里面的一个回答。

也就是说，HMM一共有这么些东西：隐含状态序列，可见观测序列，转换概率和输出概率。其中隐含状态序列包括隐含状态（状态是什么），隐含状态数量以及转换概率。可见观测序列包括可见状态（状态是什么）和可见状态数量。转换概率表示隐含状态之间的关系，一般称为模型参数。输出概率表示隐含状态输出可见状态的概率。

隐马尔可夫模型的三个基本问题

大概了解HMM是个什么之后就是HMM三个基本问题，下面是我的理解：

（1）评估问题（概率计算问题）

评估，顾名思义就是判断是一个事物的好坏优劣。

当给定HMM的参数（转换概率），隐含状态（状态是什么），隐含状态数量以及可见状态序列这几个条件，我们想知道得出这样可见状态序列的概率是多少？这就是一个单纯的计算问题，它的意义在于检测观察到的结果和已知的模型是否一致。

（2）解码问题（序列可能性问题）

解码，顾名思义就是已知推未知。（废话）

与评估问题的条件一致，我们想知道是什么样的隐含状态序列能得出这样可见状态序列，即在给定的可见状态序列下，求其最可能对应的隐含状态序列。目的在于获取一条最匹配的隐马尔科夫链。

（3）学习问题（参数估计问题）

学习，顾名思义就是不断优化自身找到最优解，可以和机器学习的训练类比。

这个问题和前面两个所需要的条件不一致，它没有HMM的参数（转换概率），这也是这个问题要求的东西。我们想知道是具有什么样参数的隐含状态序列能得出这样可见状态序列？也就是用已知的可见状态序列去估计HMM模型中的参数，使得在给定模型下可见状态序列出现的概率最大。

最后贴一张模式识别的图，一开始我不太理解，通过查资料和同学讨论也弄懂了~